1. La IA no es "código en la nube"
La adopción fue explosiva: ChatGPT llegó a 100 millones de usuarios en menos de dos meses y hoy procesa cerca de 2.500 millones de consultas al día. Esa escala no ocurre en el aire. Ocurre en infraestructura física que consume electricidad, agua y minerales, y que genera calor y desechos.
En 2025, los centros de datos que sostienen la IA consumieron alrededor de 448 TWh de electricidad. Si fueran un país, serían el undécimo mayor consumidor del mundo, por encima de naciones enteras. La proyección para 2030 es de 945 TWh, más del doble.
Cada vez que escribes un prompt, mueves una máquina física. La pregunta no es si la IA contamina, sino cuánto y quién paga la cuenta.
2. El gran consumo no está en entrenar, está en usar
Las noticias suelen centrarse en el costo de entrenar los modelos. Entrenar GPT-4 habría consumido entre 50 y 70 GWh, suficiente para dar electricidad residencial a unas 460.000 personas en África Subsahariana durante un año. Es enorme, pero ocurre una sola vez.
El consumo real está en la fase de inferencia: cuando tú y yo usamos la IA todos los días. Ahí se concentra entre el 80% y el 90% del gasto energético total. Y no toda tarea pesa lo mismo. El tipo de petición cambia drásticamente la huella:
Texto básico (clasificar correo spam): consumo mínimo, la unidad de referencia.
Texto generativo (estilo ChatGPT): unas 200 veces más que una clasificación.
Una imagen: ~2,9 Wh, unas 1.450 veces más que clasificar texto. Equivale a una ampolleta LED encendida 17 minutos.
Video en alta resolución: más de 415 Wh, el equivalente a 200.000 clasificaciones de texto. La misma ampolleta encendida 42 horas seguidas.El nuevo monstruo del consumo.
3. La ilusión de la energía "verde"
Existe un punto ciego cómodo: creer que si un centro de datos funciona con energía renovable, el problema desaparece. No es así. "Bajo en carbono" no significa "bajo impacto".
Cuando se usa hidroeléctrica o bioenergía para bajar la huella de carbono, la huella de agua y de suelo se dispara. En Brasil, donde domina la hidroeléctrica, la huella de carbono es muy baja, pero la de agua y tierra triplica el promedio mundial. La refrigeración de los servidores ejerce una presión brutal sobre los acuíferos locales, muchas veces en zonas que ya viven con estrés hídrico.
Reducir una huella casi siempre significa trasladarla a otro recurso. No hay almuerzo gratis ambiental.
4. Una brecha que paga el Sur Global
El 90% de la capacidad de cómputo especializado en IA se concentra en dos países: Estados Unidos y China. Más de 150 países carecen de esa infraestructura. Sin embargo, las peores consecuencias suelen recaer sobre comunidades del Sur Global.
La minería de litio y tierras raras para fabricar el hardware agota ecosistemas locales. Y ese hardware tiene vida corta: para 2030 se proyecta que la IA generará 2,5 millones de toneladas de basura electrónica al año, el equivalente a desechar 250 Torres Eiffel cada año.
5. La paradoja de Jevons: por qué la eficiencia no basta
Sería lógico pensar que hacer la IA más eficiente resuelve el problema. Ocurre lo contrario. La paradoja de Jevons describe el efecto rebote: a medida que la IA se vuelve más barata y eficiente, se usa más y se mete en más lugares. El consumo total de recursos crece, no baja.
La eficiencia técnica sin criterio de uso solo acelera la adopción. La decisión ambiental, entonces, no es solo de los ingenieros que diseñan modelos. También es de quien escribe el prompt.
Cómo consumir IA con criterio
Dieta de IA. No uses un modelo gigante para algo que una búsqueda tradicional resuelve. Proporciona la herramienta a la tarea.
Pide concisión. Si la IA redujera sus respuestas en un 30% de tokens, a escala masiva se ahorraría electricidad suficiente para cientos de miles de personas.
Ajusta la calidad. En generación de video, bajar resolución y frames puede recortar el gasto energético hasta en un 99%.
La sostenibilidad digital no es un eslogan de marketing. Es entender que detrás de cada respuesta instantánea hay agua que se evapora, suelo ocupado y carbono emitido. Usar la IA bien es, también, usarla con conciencia de su peso.
Fuente: UNU-INWEH (2026). Environmental Cost of AI's Energy Use: Carbon, Water and Land Footprint. United Nations University Institute for Water, Environment and Health, Richmond Hill, Ontario. ISBN 978-92-808-6141-9. DOI: 10.53328/INR26RMA002. Disponible en inweh.unu.edu/publications.
Nota sobre las cifras: varias estimaciones de consumo por modelo (GPT-4, GPT-5) y por tarea son aproximaciones del propio informe, no datos auditados por los fabricantes, que rara vez publican su huella real. Las magnitudes y comparaciones buscan dar orden de escala, no precisión contable. La falta de reportes estandarizados de huella es, de hecho, uno de los problemas centrales que señala el estudio.